大规模核方法模型选择是大规模核方法理论研究和实际应用的瓶颈和关键。现有大规模核方法模型选择大多在再生核希尔伯特空间（RKHS）中经验地选择核函数并设置模型参数，没有可靠的理论保障，也没有计算有效的模型选择方法。针对这一现状，提出大规模核方法模型选择的随机映射方法，将原问题映射到显式随机假设空间，在统计上保证得到与RKHS中模型选择方法相一致的结果。具体内容如下：
　　1.提出循环随机特征映射方法。首先，应用调和分析和循环随机矩阵投影近似平移不变核，提出符号化循环随机特征映射（SCRF）。然后，在Boosting框架下，应用SCRF构造数据相关的循环随机特征映射。通过分析所提出方法的无偏性、方差和计算复杂度，研究所提出方法的有效性及高效性。
　　2.提出核方法模型选择的显式随机假设空间途径。应用所提出的循环随机特征映射，显式地构造循环随机假设空间和异质随机假设空间。在随机假设空间中，通过分析模型选择收敛性、所选模型的泛化性和所提出途径的计算复杂度，研究随机假设空间途径的可行性和有效性。
　　3.提出大规模核方法模型选择的一般性框架。首先将传统核方法模型选择映射到显式随机假设空间中，然后设计并实现高效学习算法用以选择核模型，进而提出具有线性计算复杂度的大规模核方法模型选择框架。
　　整体而言，提出迄今最好的随机特征映射方法，给出大规模核方法模型选择的统计无偏的随机假设空间途径和计算有效的一般性框架，为大规模核方法模型选择的理论发展和实际应用奠定坚实的基础。